Нейросетевая модель для корректировки процесса исследования коллоидных нано- и микроструктур методом атомно-силовой микроскопии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Важным этапом процесса формирования микро- и наноструктур являются операции контроля. Для оперативного контроля коллоидных нано- и микроструктурированных пленок используют атомно-силовую микроскопию, реализуемую методом амплитудно-модуляционного полуконтактного сканирования. Этот способ характеризуется сложностью и длительностью настроек режимов сканирования образцов. В данном проекте разработана нейронная сеть для автоматической оптимизации параметров процесса в ходе сканирования, что позволяет значительно ускорить процедуру контроля, повысить качество изображений и точность измерений.

Полный текст

Доступ закрыт

Об авторах

Е. В. Панфилова

Московский государственный технический университет имени Н.Э.Баумана (Национальный исследовательский университет)

Автор, ответственный за переписку.
Email: panfilova.e.v@bmstu.ru
ORCID iD: 0000-0001-7944-2765

к.т.н., доц.

Россия, Москва

А. Р. Ибрагимов

Московский государственный технический университет имени Н.Э.Баумана (Национальный исследовательский университет)

Email: panfilova.e.v@bmstu.ru
ORCID iD: 0000-0001-9689-1837

асс.

Россия, Москва

Д. В. Францышин

Московский государственный технический университет имени Н.Э.Баумана (Национальный исследовательский университет); ООО "Остек-ЭК"

Email: panfilova.e.v@bmstu.ru
ORCID iD: 0009-0007-7493-8199

студ., инж.

Россия, Москва; Москва

Список литературы

  1. Панфилова Е.В. Перспективные методы формирования планарных наноструктур // Наноинженерия. Машиностроение. 2014. № 8. C. 29–33.
  2. Liu Y. et al. Bioinspired reflective display based on photonic crystals // Interdisciplinary Materials. 2024. Vol. 3. No. 1. PP. 54–73.
  3. Snapp P. et al. Colloidal photonic crystal strain sensor integrated with deformable graphene phototransducer // Advanced Functional Materials. 2019. Vol. 29. No. 33. P. 1902216.
  4. Wang Y. et al. All-optical logic gates based on hierarchical photonic crystal modulated photoluminescence of perovskite nanocrystals // Science China Technological Sciences. 2023. Vol. 66. No. 9. PP. 2735–2742.
  5. Быков В.А. и др. Зондовая микроскопия и спектроскопия: приборы, техника и технология измерений // Взаимодействие сверхвысокочастотного, терагерцового и оптического излучения с полупроводниковыми микро- и наноструктурами, метаматериалами и биообъектами. 2019. С. 29–32.
  6. Giessibl F.J. et al. Calculation of the optimal imaging parameters for frequency modulation atomic force microscopy // Applied Surface Science. 1999. Vol. 140. No. 3–4. PP. 352–357.
  7. Xue B. et al. Study on effects of scan parameters on the image quality and tip wear in AFM tapping mode // Scanning: The Journal of Scanning Microscopies. 2014. Vol. 36. No. 2. PP. 263–269.
  8. Wang Y. et al. Improving the scanning speed of atomic force microscopy at the scanning range of several tens of micrometers // Ultramicroscopy. 2013. Vol. 124. PP. 102–107.
  9. Giergiel M. et al. AFM image analysis of porous structures by means of neural networks // Biomedical Signal Processing and Control. 2022. Vol. 71. P. 103097.
  10. Vekinis A.A., Constantoudis V. Neural network evaluation of geometric tip-sample effects in AFM measurements // Micro and Nano Engineering. 2020. Vol. 8. P. 100057.
  11. Kocur V. et al. Correction of AFM data artifacts using a convolutional neural network trained with synthetically generated data // Ultramicroscopy. 2023. Vol. 246. P. 113666.
  12. Sun M. et al. Fast AFM Imaging Based on Neural Network Compressed Sensing // 2022 IEEE 24th International Workshop on Multimedia Signal Processing (MMSP). IEEE. 2022. PP. 1–5.
  13. Panfilova E.V., Ibragimov A.R., Mozer K.V. Neural network module for tuning an atomic force microscope in the study of photonic crystal films // Journal of Physics: Conference Series. IOP Publishing. 2020. Vol. 1571. No. 1. P. 012004.
  14. Yablon D. et al. Deep learning to establish structure property relationships of impact copolymers from AFM phase images // Mrs Communications. 2021. Vol. 11. PP. 962–968.
  15. Панфилова Е.В., Дюбанов В.А., Ибрагимов А.Р., Шрамко Д.Ю. Лабораторный комплекс для получения коллоидных фотонно-кристаллических структур. Ч. 1 // НАНОИНДУСТРИЯ. 2024. Т. 17. № 3–4. C. 190–199. https://doi.org/10.22184/1993-8578.2024.17.3-4.190.198

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис.1. Изображение, подаваемое на вход нейронной сети: а – исходное изображение; б – изображение после обработки

Скачать (2MB)
Метаданные
3. Рис.2. Структура нейронной сети

Скачать (349KB)
Метаданные
4. Рис.3. Архитектура нейронной сети

Скачать (664KB)
Метаданные
5. Рис.4. Зависимость ошибки разработанной нейронной сети от количества эпох

Скачать (234KB)
Метаданные
6. Рис.5. Трансформация изображения при прохождении слоев НС (а – начальное изображение, i – конечное изображение)

Скачать (643KB)
Метаданные

© Панфилова Е.В., Ибрагимов А.Р., Францышин Д.В., 2024